LLaVA-o1是一个新型的视觉语言模型（VLM），它通过将推理过程分解为总结、视觉解释、逻辑推理和结论生成等多个阶段，实现了更强大的自主多阶段推理能力。与传统的思维链提示方法不同，LLaVA-o1独立地进行每个阶段的推理，并在性能上超越了一些更大的闭源模型，例如Gemini-1.5-pro和GPT-4o-mini。该模型通过结构化推理框架、专门的数据集和训练方法，以及推理时的阶段性束搜索策略，显著提升了复杂任务中的推理能力和扩展性。LLaVA-o1的阶段性推理过程和结构化输出，为视觉语言模型的推理能力提供了新的思路，也为未来模型的开发提供了宝贵的经验。

🤔 **结构化推理框架：**LLaVA-o1将推理过程分解为总结、图像描述、推理和结论四个阶段，每个阶段都有特定的任务和输出，使得推理过程更加清晰和可控，这与传统的思维链提示方法不同，LLaVA-o1独立地进行每个阶段的推理。

🖼️ **专门数据集LLaVA-o1-100k：**为了训练LLaVA-o1，研究人员构建了一个新的数据集LLaVA-o1-100k，该数据集整合了多个VQA数据集，并使用GPT-4o生成详细的推理过程，包括总结、图像描述、推理和结论，为模型提供了丰富的训练数据。

🔎 **阶段性束搜索策略：**LLaVA-o1在推理时采用阶段性束搜索方法，在每个推理阶段生成多个候选结果，并选择最佳结果继续生成过程，有效地提升了模型在复杂任务中的推理能力和扩展性，这种方法在提高推理时扩展方面表现出显著的优势。

🚀 **性能超越大型模型：**LLaVA-o1在多模态推理基准测试中实现了8.9%的性能提升，并且超越了一些更大甚至是闭源模型，例如Gemini-1.5-pro、GPT-4o-mini和Llama-3.2-90B-Vision-Instruct，证明了其在复杂视觉语言任务中的优越性能。

🏷️ **结构化标签的重要性：**LLaVA-o1中的结构化标签（<SUMMARY>等）对于模型性能至关重要，去除这些标签后，模型性能显著下降，表明这些标签有助于推理过程并提高了模型性能。

2024-11-19 13:15 湖北

开源LLaVA-o1：一个设计用于进行自主多阶段推理的新型VLM。与思维链提示不同，LLaVA-o1独立地参与到总结、视觉解释、逻辑推理和结论生成的顺序阶段。

LLaVA-o1超过了一些更大甚至是闭源模型的性能，例如Gemini-1.5-pro、GPT-4o-mini和Llama-3.2-90B-Vision-Instruct。

基础模型与LLaVA-o1的比较。基础模型Llama-3.2-11B-Vision-Instruct在推理过程中有明显的缺陷，整个推理过程中出现了几个错误。相比之下，LLaVA-o1首先概述问题，从图像中解释相关信息，然后进行逐步推理过程，并最终得出一个有充分支持的结论。

LLaVA-o1如何炼成

LLaVA-o1模型的结构化推理框架，专门的数据集和训练方法，以及推理时的阶段性束搜索策略，来提高模型在复杂任务中的推理能力和扩展性。

结构化推理阶段：

总结阶段（Summary Stage）：LLaVA-o1在这一阶段提供对问题的高层次总结，概述它打算解决的问题的主要方面。

图像描述阶段（Caption Stage）：如果存在图像，LLaVA-o1提供与问题相关的图像元素的简洁概述，帮助理解多模态输入。

推理阶段（Reasoning Stage）：在初始总结的基础上，LLaVA-o1进行结构化、逻辑推理，得出初步答案。

结论阶段（Conclusion Stage）：在最后阶段，LLaVA-o1根据前面的推理综合答案。结论阶段的输出是直接提供给用户的响应，而前三个阶段是内部的“隐藏阶段”，代表LLaVA-o1的推理过程。

四对特殊标签：<SUMMARY></SUMMARY>、<CAPTION></CAPTION>、<REASONING></REASONING>和<CONCLUSION></CONCLUSION>

数据准备和模型训练：

由于现有的视觉问题回答（VQA）数据集缺乏训练LLaVA-o1所需的详细推理过程，研究者们编译了一个新的数据集LLaVA-o1-100k，整合了多个广泛使用的VQA数据集的样本。

使用GPT-4o生成包括总结、图像描述、推理和结论的详细推理过程，并将这些编译成LLaVA-o1-100k数据集。

选择了Llama-3.2-11B-Vision-Instruct模型作为基础模型，并使用LLaVA-o1-100k数据集进行全参数微调。

有效的推理时扩展使用阶段性束搜索：

训练完成后的目标是在推理期间进一步增强模型的推理能力。LLaVA-o1的输出设计为结构化，提供了理想的粒度，用于推理时扩展。

采用阶段性束搜索方法，该方法在每个推理阶段生成多个候选结果，并选择最佳结果以继续生成过程。

通过在每个阶段进行有效的验证，这种方法验证了结构化输出在提高推理时扩展中的有效性。

推理方法的示意图。最佳选择法（Best-of-N search）生成N个完整的响应，并从中选择最好的一个；句子级束搜索（Sentence-level Beam Search）为每个句子生成多个候选项并选择最好的一个。相比之下，LLaVA-o1的阶段性束搜索（Stage-level Beam Search）为每个推理阶段（例如，总结、标题、推理和结论）生成候选项，并在每个阶段选择最佳选项。最佳选择法在粗略层面上操作，而句子级束搜索过于细致，而LLaVA-o1的方法实现了最佳平衡并取得了最佳性能。

有无阶段性束搜索的LLaVA-o1性能比较。LLaVA-o1的阶段性束搜索在模型推理过程中有效地选择了更好的推理。

实验数据

LLaVA-o1在多模态推理基准测试中相较于其基础模型Llama-3.2-11B-Vision-Instruct实现了8.9%的性能提升。

LLaVA-o1在各种基准测试中不仅超越了基础模型，还超过了一些更大甚至是闭源模型，例如Gemini-1.5-pro、GPT-4o-mini和Llama-3.2-90B-Vision-Instruct。

结构化标签（structured tags）对于模型性能至关重要。去除这些标签后，模型性能显著下降，说明这些标签有助于推理过程并提高了模型性能。

https://arxiv.org/pdf/2411.10440LLaVA-o1: Let Vision Language Models Reason Step-by-Stephttps://github.com/PKU-YuanGroup/LLaVA-o1

推荐阅读

• 对齐LLM偏好的直接偏好优化方法：DPO、IPO、KTO

• 一篇搭建AI大模型应用平台架构的全面指南

• RAG全景图：从RAG启蒙到高级RAG之36技，再到终章Agentic RAG！

• Agent到多模态Agent再到多模态Multi-Agents系统的发展与案例讲解（1.2万字，20+文献，27张图）

---

欢迎关注我的公众号“PaperAgent”，每天一篇大模型（LLM）文章来锻炼我们的思维，简单的例子，不简单的方法，提升自己。

跳转微信打开